Na parte final do vídeo da aula 4.2 (Estimadores não lineares e support vector machine), do curso "Machine Learning: Introdução a classificação com SKLearn", eu não obtive um gráfico com uma curva, como o professor mostrou. O meu gráfico continuava ficando todo azul, como se todos os resultados do teste tivessem sido 1 e como se a adição do StandardScaler não tivesse feito diferença nenhuma.
Será que há algo de errado no meu código? Há uma outra explicação para essa diferença? Agradeço a ajuda.
obs: recebi o mesmo resultado usando seed = 5 e seed = 20. Trabalhei no google Colaboratory
link para o arquivo: https://colab.research.google.com/drive/1EE65BEdEGuC7Vz6zQjiI3MzbIvcxTGr5
código abaixo:
from sklearn.preprocessing import StandardScaler # nova linha
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
SEED = 5
np.random.seed(SEED)
raw_treino_x, raw_teste_x, treino_y, teste_y = train_test_split(x, y, test_size=0.25, stratify = y)
print(f'Treinaremos com {len(treino_x)} classificações e testaremos com {len(teste_x)} classificações')
scaler = StandardScaler()
scaler.fit(raw_treino_x)
treino_x = scaler.transform(raw_treino_x)
teste_x = scaler.transform(raw_teste_x)
modelo = SVC()
modelo.fit(treino_x, treino_y)
previsoes = modelo.predict(teste_x)
precisao = accuracy_score(teste_y, previsoes)*100
print(f'A precisão do modelo foi de {precisao:.2f}%')
data_x = teste_x[:,0]
data_y = teste_x[:,1]
x_min = data_x.min()
x_max = data_x.max()
y_min = data_y.min()
y_max = data_y.max()
pixels = 100
eixo_x = np.arange(x_min, x_max, (x_max - x_min) / pixels)
eixo_y = np.arange(y_min, y_max, (y_max - y_min) / pixels)
xx, yy = np.meshgrid(eixo_x, eixo_y)
pontos = np.c_[xx.ravel(), yy.ravel()]
Z = model.predict(pontos)
Z = Z.reshape(xx.shape)
import matplotlib.pyplot as plt
plt.contourf(xx, yy, Z, alpha=0.3)
plt.scatter(data_x, data_y, c=teste_y, s=1)
